Bias Detection and Mitigation
Objectives:
Détection de biais et/ou mitigation de biais dans les jeux de données (images ou texte).
Research RoadMap:
- Analyse de l'existant : types de biais
- Sélection des types de biais qu'on souhaite détecter/mitiger.
- Mise à disposition d'une checklist pour détecter des biais initialement présent dans un jeu de données.
Apprentissage automatique faiblement supervisé, vers une IA plus générale
Objectif du défi
L'objectif est de créer et de valider des solutions d'IA qui réduisent radicalement le besoin d'énormes quantités de données étiquetées et démontrent de fortes capacités de généralisation pour permettre aux entreprises disposant de moins de données étiquetées de présenter des solutions d'IA compétitives. par rapport aux principaux acteurs (GAFAM)
Une IA digne de confiance pour les systèmes critiques
Objectif du défi
L'objectif de ce défi est de construire et d'évaluer une IA digne de confiance et de réduire ainsi les obstacles pour les entreprises wallonnes désireuses de déployer des solutions d'IA dans des secteurs réglementés.
Deep Active Learning
Research RoadMap:
- Identify the technical challenges when combining Active learning and Deep learning
Berlin Proposal
- Identity the preprocessing steps and models for Additive Manufacturing images
- Obtain at the end scripts for DAL framework that can be used for use cases.
Post-Berlin
- Experiments on update vs from scratch training
- Explore the Explainable Active Learning (the idea would be to build a toolbox for it and then adapt it for a type of interesting dataset that we want to explore)